Объяснение терминов ИИ: вот что на самом деле означает важный жаргон ИИ

Как опытный технологический аналитик с более чем двадцатилетним опытом работы за плечами, я стал свидетелем замечательной эволюции искусственного интеллекта из далекой мечты в неотъемлемую часть нашей повседневной жизни. Предоставленная вами статья предлагает всеобъемлющий, но понятный обзор ИИ, его терминов и концепций, который я нашел как информативным, так и интересным.


Современные технологии наполнены отсылками к искусственному интеллекту (ИИ): от предложения ваших любимых фильмов в потоковых сервисах до создания персонализированных плейлистов на музыкальных платформах, даже на вашем смартфоне Android. Но что именно включает в себя ИИ и что на самом деле означают некоторые из более технических терминов ИИ? В этой статье мы рассмотрим фундаментальные концепции, определяющие современный искусственный интеллект, предоставив вам знания, необходимые для навигации в этой динамичной и быстро развивающейся области.

Что такое ИИ на самом деле?

Первоначально термин ИИ (искусственный интеллект) относился к моделированию человеческого интеллекта в машинах, особенно когда они достигли или превзошли уровень, сравнимый с человеческим интеллектом. Однако со временем определение расширилось, и термин «ИИ» часто используется как всеобъемлющий маркетинговый термин. Сегодня все, что демонстрирует признаки разумного поведения, например персонализированные предложения электронной коммерции или системы распознавания голоса, обычно классифицируется как искусственный интеллект.

Чтобы разобраться в тонкостях, важно углубиться в конкретную терминологию ИИ, которая помогает отделить маркетинговую шумиху от подлинного технологического прогресса.

Машинное обучение (МО)

Объяснение терминов ИИ: вот что на самом деле означает важный жаргон ИИ

Проще говоря, машинное обучение — это часть искусственного интеллекта, где системы обучаются, используя данные и прошлые события, чтобы делать выбор или выполнять действия. Например, если вы предоставите алгоритму множество фотографий кошек, он научится распознавать кошку. Впоследствии, показывая ей изображения кошек, собак и различных других животных, система должна иметь возможность выделять изображения кошек благодаря своему опыту «обучения».

Этот процесс обучения включает в себя два основных этапа: обучение и вывод.

Обучение

Фаза обучения в машинном обучении — это длительный период, когда система поглощает большие объемы данных для обучения, например многочисленные изображения кошек. Эти данные могут состоять из отдельных элементов, таких как цветы, или охватывать более широкие наборы, даже весь Интернет. Обучение сложных систем искусственного интеллекта, таких как ChatGPT, может быть дорогостоящим с финансовой точки зрения и требовать значительных вычислительных мощностей.

Вывод

Объяснение терминов ИИ: вот что на самом деле означает важный жаргон ИИ

Пройдя обучение, я применяю свои вновь полученные знания на практике, обрабатывая свежие данные. Именно на этом этапе такие пользователи, как мы, начинают работать с приложениями искусственного интеллекта. Например, поскольку теперь я могу узнать кошку, вы можете показать мне изображение, и я смогу его идентифицировать. Если вы спросите Google Gemini или Microsoft Copilot о столице Англии, они быстро дадут ответ. На этом этапе я полагаюсь на свои предыдущие знания, которые требуют меньше вычислительной мощности.

Общий искусственный интеллект (AGI)

Общий искусственный интеллект (AGI) означает машины, которые могут думать и действовать как люди, демонстрируя такие способности, как принятие решений, стратегическое планирование и более полное понимание мира. В отличие от сегодняшних систем искусственного интеллекта, AGI будет иметь более глубокое понимание и самосознание, подобное тому, что часто изображается в научной фантастике. Однако мы все еще далеки от создания AGI, учитывая, что решение этой головоломки предполагает решение многочисленных технических, философских и этических загадок. Тем не менее, это остается интригующей и жизненно важной областью исследований.

В видео, которое вы смотрите, мы углубляемся в последствия применения расширенного общего интеллекта (AGI), объясняя такие понятия, как «ограниченный» и «превосходящий» ИИ. Это обширная тема, которую определенно интересно исследовать дальше.

Генеративный ИИ

Объяснение терминов ИИ: вот что на самом деле означает важный жаргон ИИ

С моей точки зрения, как стороннего наблюдателя, я часто замечал, что ИИ демонстрирует замечательные навыки категоризации и идентификации. Однако то, что отличает генеративный ИИ, — это его способность выходить за рамки этих концепций и создавать новый контент — будь то текст, графика или музыка. Эта революционная разработка расширила горизонты ИИ, предоставив системам возможность генерировать творческие результаты на основе имеющихся данных. Именно этот аспект ИИ оказывается особенно полезным в нашей повседневной жизни, особенно когда мы рассматриваем такие инструменты, как ChatGPT для составления электронных писем или Midjourney для создания изображений кошек.

Нейронные сети

Современный искусственный интеллект в значительной степени полагается на нейронные сети как на свои основные компоненты. Эти сети существуют уже много лет и предназначены для имитации структуры человеческого мозга. Они состоят из множества взаимосвязанных «нейронов», которые обрабатывают данные, проходя через несколько уровней и в конечном итоге генерируя результат. Процесс тонкой настройки нейронной сети включает в себя настройку связей между этими нейронами для повышения ее точности.

Трансформаторные сети

Объяснение терминов ИИ: вот что на самом деле означает важный жаргон ИИ

Сети-трансформеры, уникальный вид нейронной сети, сыграли важную роль в создании сложных языковых моделей, таких как ChatGPT. Что отличает эти сети, так это их способность улавливать контекст и связи внутри информации. Это делает их исключительно подходящими для задач, связанных с обработкой языка.

Большие языковые модели (LLM)

Объединяя нейронные сети, преобразователи и обширное обучение огромной нейронной сети, мы создаем мощные языковые модели.

LLM обучаются на огромных объемах текстовых данных, что позволяет им генерировать ответы, подобные человеческим. Вспомните ChatGPT, Claude, LLaMA и Grok. Они работают, предсказывая следующее слово в последовательности, создавая последовательные и контекстуально релевантные результаты. Однако такой прогнозирующий характер может привести к таким проблемам, как галлюцинации, когда модель генерирует правдоподобную, но неверную информацию. Мы рассмотрим это в следующем разделе.

Галлюцинации

Объяснение терминов ИИ: вот что на самом деле означает важный жаргон ИИ

Галлюцинации случаются, когда ИИ предоставляет вводящие в заблуждение данные, поскольку в основном использует методы прогнозирования. Это серьезное препятствие для моделей изучения языка (LLM), поскольку они могут давать убедительные, но неточные ответы.

Классическим примером галлюцинации был ответ на результат поиска Google: «Как не дать сыру соскользнуть с вашей пиццы?» который включал ответ, улучшенный искусственным интеллектом: «Ну, вам следует использовать суперклей. Приклейте его к пицце». LLM взял ответ из сообщения на Reddit и посчитал его правильным.

Параметры и размер модели

Эффективность моделей ИИ часто измеряется их общими параметрами, представляющими связи внутри нейронной сети. Более крупные модели с большим количеством параметров обычно работают лучше, но требуют больше ресурсов. Меньшие модели теоретически менее точны, но могут работать на более экономичном оборудовании.

Для иллюстрации: большая облачная модель LLaMA 3.1 может похвастаться впечатляющим количеством параметров — 405 миллиардов. Напротив, модели, предназначенные для работы непосредственно на смартфонах, обычно имеют в своей структуре всего несколько миллиардов параметров.

Диффузионные модели

Объяснение терминов ИИ: вот что на самом деле означает важный жаргон ИИ

Для создания изображений используются диффузионные модели. Вместо того, чтобы добавлять шум во время тренировки, как это делают традиционные методы, они работают наоборот. Поступая таким образом, они могут создавать свежие изображения на основе случайного шума, используя в качестве ориентира изученные закономерности.

Поисковая дополненная генерация (RAG)

RAG использует искусственный интеллект, который генерирует ответы вместе с внешними данными, в результате чего ответы являются точными и адаптированными к контексту. Сбор дополнительной информации позволяет этим моделям улучшить свои ответы, делая их более надежными и практичными.


Понимание жаргона и принципов искусственного интеллекта иногда может быть весьма загадочным. Тем не менее, по мере развития технологий важно быть в курсе последних событий, чтобы ориентироваться как в захватывающем, так и в сложном ландшафте искусственного интеллекта. Будь то заядлый фанат технологий или профессионал в этой области, это руководство послужит хорошей отправной точкой для изучения будущих перспектив ИИ.

Смотрите также

2024-08-22 13:18